本发明涉及提出了一种移动环境下基于时空一致性的联邦学习推荐方法。该方法主要利用轨迹的时空一致性来优化联邦学习过程,包括轨迹完成、客户端聚类和加权聚合。轨迹完成可以有效提高数据受限情况下本地模型的训练性能,聚类策略可以有效促进相似客户之间的信息共享,加权聚合可以减少模型漂移问题。经过实验验证可知,本发明方法在确保用户隐私和安全的同时,实现了比所有基线更高的模型性能和更好的收敛效果。与最佳基线相比,SCFL性能提升高达84.26%,大大提高了模型的收敛速度。
📄 202310559909X
📂 G06F16_9537
👤 重庆大学
📅 2023-05-18